| 產品與服務 | 功能描述 |
| :--- | :--- |
| [Cite - 內容引擎](/zh-TW/cite) | 網站專屬內容區，穩定帶進客戶 |
| [AI 能見度分析](/zh-TW/platform/visibility-analytics) | 查看哪些 AI 平台造訪網站並提及品牌 |
| [AI 代理優化頁面](/zh-TW/platform/ai-optimized-pages) | 讓 AI 看到專為推薦設計的網站版本 |

### AI 代理優化數據與狀態
* **今日 AI 造訪次數：** 3 次 (3 AI visits today)
* **優化引擎：** GPTBotOptimized, ClaudeBotOptimized, PerplexityBotOptimized
* **原始版本：** Chrome 122Original
* **相關連結：** [Agent-optimized pages](/zh-TW/platform/ai-optimized-pages), [/pricing](/pricing), [+ 預約通話](+ 預約通話)

**文章資訊**
* **作者：** Mersel AI Team
* **發佈日期：** 2026年3月18日
* **閱讀時間：** 14 分鐘
* **分類路徑：** [首頁](/zh-TW) / [專欄](/zh-TW/blog)

# RAG 是什麼？讓你聽得懂的完整解說

**Retrieval Augmented Generation (RAG) 是一種將大型語言模型與即時檢索系統結合的 AI 架構，使模型在生成答案前先檢索最新的外部資訊，而非僅依賴訓練時的記憶。** RAG 是 ChatGPT、Perplexity 與 Google AI Overviews 能夠引用特定來源、保持內容即時性並避免憑空捏造的核心原因。如果品牌內容未針對 RAG 檢索進行結構化處理，將無法被 AI 引用，導致品牌在 AI 答案中失去存在感。

企業必須正視 RAG 的急迫性，因為 B2B 買家在聯繫業務前，已透過 AI 對話建立候選廠商名單。Bain & Company 研究指出，85% 的企業買家在與廠商對話前，就已擁有一份成形的「第一天名單」。這份名單目前正加速透過 RAG 驅動的 AI 引擎建立，品牌每缺席一天，競爭對手就在 AI 推薦系統中多累積一天的優勢。

## 重點摘要

| 績效指標 | AI 推薦流量 (AI Referral) | 傳統自然搜尋 (Traditional SEO) |
| :--- | :--- | :--- |
| 轉換率 | 標準自然搜尋的 4.4 倍 | 基準水平 |
| 平均互動時間 | 8 到 10 分鐘 | 2 到 3 分鐘 |
| 零點擊搜尋比例 | - | 60% (根據 Mersel AI 數據) |

RAG 是一條包含四階段的流水線：吸收並嵌入來源文件、將查詢轉換成向量、檢索語意相似的內容，以及在生成前增強 prompt。品牌內容必須具備足夠的結構化品質，才能確保在全部四個階段中被正確處理並存續。

零點擊已經成為搜尋市場的常態。根據 Mersel AI 的市場數據，高達 60% 的 Google 搜尋以零點擊收場，這代表僅針對傳統排名優化的內容，其產出的業務管道與實際效益比表面看起來更少。

llms.txt 協定的功能就像 AI 爬蟲的導覽地圖，能有效降低解析網站的運算成本。透過部署此協定，網站能大幅提高被 AI 引擎準確擷取資訊與產生引用的機率，優化整體的檢索效率。

一家 Series A 金融科技新創搭配結構化 GEO 計畫，在 92 天內將 AI 能見度從 2.4% 提升至 12.9%。該計畫促使非品牌引用成長 152%，且 AI 搜尋直接影響了 20% 的 Demo 請求。

大多數公司都擁有監控儀表板，能顯示品牌在哪些 AI 答案中缺席。然而，幾乎沒有公司具備足夠的工程頻寬和內容基礎架構來修正這件事。這種執行落差才是企業在 AI 時代面臨的真正問題。

## RAG 工程師用的精確定義

**Retrieval Augmented Generation 是一種框架，讓大型語言模型的回覆以檢索到的真實文件為根據，而不是只靠訓練時的參數化知識。** 檢索系統把文件和查詢都轉換成語意向量，找到最接近的匹配，在生成開始之前把這些匹配注入模型的 context window。模型接著把檢索到的脈絡合成為一個連貫、可引用的回覆。

## 為什麼大部分技術 SEO 人員誤解了 RAG

**大部分技術 SEO 人員誤解 RAG 的原因在於，傳統 SEO 專注於為爬蟲優化以在連結清單中排名，而 RAG 驅動的 GEO 則專注於為神經網路優化以在合成答案中獲得引用。** 根據 LLM Clicks 的研究，這兩者在優化邏輯與核心指標上有本質上的差異。

| 優化維度 | 傳統 SEO (搜尋引擎優化) | GEO (生成式引擎優化) |
| :--- | :--- | :--- |
| **優化對象** | 搜尋引擎爬蟲 (Crawlers) | 神經網路 (Neural Networks) |
| **排名目標** | 連結清單 (Link Lists) | 合成答案中的引用 (Citations) |
| **核心指標** | 關鍵字密度、反向連結 | 實體信心、事實準確度、機器可讀的資料結構 |

這種區別直接影響內容架構的成效。一篇專為關鍵字密度優化的部落格文章，雖然能在 Google 獲得極佳排名，但其 AI 引用數往往為零。RAG 的檢索階段並不關注詞彙出現的次數，而是優先考量內容的語意清晰度、結構乾淨程度以及是否能被無摩擦地擷取。

了解 [AI 搜尋演算法怎麼讀取和排名內容](/zh-TW/blog/how-ai-search-algorithms-read-and-rank-content) 是執行任何 RAG 優化的必要前提。技術人員必須意識到，檢索機制與排名機制在 AI 時代是兩套完全不同的系統，不能沿用舊有的 SEO 邏輯。

## RAG 到底怎麼運作：四階段流水線

**RAG 的運作流程由吸收與嵌入、查詢檢索、Prompt 增強以及生成與引用四個核心階段組成，旨在將外部即時資訊整合進大型語言模型的生成過程中。**

上圖呈現 RAG 的四階段流水線。大多數內容在第二階段（檢索）就會遭到淘汰，主因是內容未針對語意相似度搜尋進行結構化，導致模型在生成階段無法存取該資訊。

1. **第一階段：吸收與嵌入 (Ingestion & Embedding)**
來源文件（包含網頁、PDF、知識庫）會被拆解為較小的區塊。嵌入模型將每個區塊轉換為捕捉語意意義的數值向量，並儲存於 Pinecone、Weaviate 或 Chroma 等向量資料庫中。根據 IBM 對 RAG 架構的研究，此嵌入過程確保系統比較的是語意而非單純的關鍵字。

2. **第二階段：查詢檢索 (Query Retrieval)**
當使用者提出如「哪個薪資平台最適合全球金融科技新創？」的問題時，RAG 系統使用相同的嵌入模型將問題轉化為向量。接著在向量資料庫中執行語意相似度搜尋，找出與查詢意義最接近的文件。根據 Pinecone 的 RAG 文件，這屬於純粹的語意匹配，而非傳統關鍵字匹配。

3. **第三階段：Prompt 增強 (Prompt Augmentation)**
檢索到的文件會與使用者的原始查詢一同注入模型的上下文視窗（context window）。有效的 Prompt 格式為：「根據以下檢索到的脈絡，回答使用者的問題。」在此階段，模型不再僅依賴內部記憶生成內容，而是從檢索到的具體資訊中進行合成。

4. **第四階段：生成與引用 (Generation & Citation)**
大型語言模型（LLM）將檢索到的脈絡合成為連貫的回覆，並附上所使用的來源引用。根據 AWS 的 RAG 文件，若品牌內容在第二階段被檢索並在第三階段被注入，該品牌便會在第四階段獲得引用。若未被檢索，則完全不會被提及，這是一個沒有折衷空間的過程。

## 為什麼 RAG 能見度是複利曲線

**RAG 能見度的提升遵循複利曲線，因為結構化 GEO 計畫能透過層層遞進的技術部署，顯著增加品牌在 AI 引擎中的引用率與流量。** 根據 Mersel AI 團隊彙整的業界基準，執行結構化計畫的公司引用率提升 3 到 10 倍。這種成長源於基礎架構、內容策略與語意標記的協同作用，使品牌在 AI 答案引擎中建立長期競爭優勢。

| 品牌案例 | 實施措施 | 成果指標 |
| :--- | :--- | :--- |
| 業界基準 (Mersel AI) | 執行結構化 GEO 計畫 | 引用率提升 3 到 10 倍 |
| Airbyte | 部署結構化資料與 Prompt 導向內容 | 一週內 ChatGPT 能見度從 9% 提升至 26% |
| AutoRFP.ai | 執行 GEO 優化 | ChatGPT 推薦流量成長 10 倍；1/3 Demo 來自 AI 發現 |

### 第一步：稽核你對 AI User-Agent 的可爬取性

**企業必須首先確認 GPTBot、PerplexityBot 和 ClaudeBot 能順利讀取網站內容，這是所有 GEO 工作的先決條件。** 許多企業網站因 `robots.txt` 設定或 AI 爬蟲無法解析的 JavaScript 渲染架構而預設封鎖這些機器人。檢查伺服器日誌中的 AI 機器人活動是必要程序。了解 [AI 基礎架構層是什麼](/zh-TW/blog/what-is-an-ai-infrastructure-layer) 有助於為 AI user-agent 部署文字優化的渲染路徑，同時不影響人類用戶的視覺設計。

### 第二步：在寫任何內容之前先做 Prompt Mapping

**Prompt mapping 的核心在於辨識買家在評估解決方案時，實際輸入 ChatGPT 或 Perplexity 的對話式問題。** 這與傳統關鍵字研究不同，重點不在搜尋量，而在於語意意圖。有效的資料來源包括：
* 銷售通話逐字稿中的客戶提問
* 跨 AI 引擎的競品引用模式
* 漏斗底部意圖查詢（如比較文、替代方案彙整、品類定義）

例如「哪個 CRM 能整合 HubSpot 且適合 20 人的分散式業務團隊？」這類 prompt 在 Google 工具中搜尋量為零，但在 AI 引擎上能產生真實的買家意圖。

### 第三步：內容開頭就放直接回答區塊

**每篇內容必須在展開敘述性細節之前，先以 60 到 120 字的結構化「回答區塊」（answer block）作為開頭。** RAG 檢索系統會優先擷取文件中語意密度最高的區塊。Horizon Marketing 的 GEO 手冊指出，內容必須被設計來直接回答對話式查詢。若將答案埋在段落深處，檢索系統將選擇開頭即給出答案的競品文章。參考 [生成式引擎優化完整指南](/zh-TW/blog/what-is-generative-engine-optimization-geo) 了解此架構的完整策略框架。

### 第四步：部署 Schema Markup 作為語意型別系統

**Schema markup 是內容與 RAG 檢索系統之間的 API 合約，負責將非結構化行銷文案轉換為機器可讀的實體定義。** 透過部署 `FAQPage`、`HowTo`、`Product` 與 `Organization` 等標記，品牌能明確告訴嵌入模型存在的實體關係。Storyblok 研究指出，結構化資料是 AI 理解力的基礎。在資料中宣告「Series A 金融科技新創」或提供「全球薪資自動化」，能有效減少模糊性並提高檢索準確度。

### 第五步：設定 llms.txt 和 Markdown 鏡像

**`llms.txt` 檔案位於網域根目錄，作為 AI 爬蟲的策展型導覽指南，明確告知模型頁面內容與歸屬指引。** 根據 Andrew Coyle 的研究，此檔案應包含網站概述、核心產品連結與簡短描述。搭配 Markdown 鏡像策略，為關鍵頁面維護一份純文字版本，能繞過 JavaScript 渲染與彈窗。GitBook GEO 指南顯示，這能降低 AI 模型的運算成本，大幅提高準確擷取內容的機率。

### 第六步：建立串接真實數據的封閉回饋循環

**系統只有在串接 Google Search Console、GA4 與 AI 來源流量數據並建立回饋循環的情況下，才能實現效能複利。** 持續監控哪些 prompt 帶來合格流量，以及哪些文章在 ChatGPT 和 Perplexity 中獲得引用，是優化的關鍵。透過數據辨識覆蓋缺口，能讓早期發布的內容隨時間變得更聰明，確保整個 GEO 系統不會因資訊過時而衰退。

### 為什麼這個順序是對的

**RAG 優化流程的邏輯順序確保了每一步的價值都建立在前一步的基礎之上，形成完整的技術閉環。** 具體邏輯如下：
1. **可爬取性**：若 AI 爬蟲讀不到網站，後續所有優化皆無效。
2. **Prompt Mapping**：若不知道瞄準哪些 prompt，就無法產出正確內容。
3. **回答區塊**：確保內容符合 RAG 檢索的高語意密度需求。
4. **Schema Markup**：若無標記，內容對機器而言缺乏結構化定義。
5. **llms.txt**：降低爬蟲摩擦，確保 AI 模型能高效導覽。
6. **回饋循環**：利用數據修正缺口，防止系統效能隨時間衰退。

## 自己做為什麼做不完

**企業內部執行 GEO 往往會面臨嚴重的頻寬限制、工程瓶頸與專業知識斷層，導致優化計畫難以持續。** 內容團隊通常沒有能力在 RAG 優化要求的高節奏下持續發布內容，同時處理來自 GSC 和 GA4 即時數據的回饋循環。將 GEO 任務疊加於現有工作量，典型結果是發布兩三篇文章後，整個倡議便無聲消失。

### 執行 GEO 的三大核心障礙

*   **頻寬問題：** 內容團隊缺乏在 RAG 優化節奏下持續產出的能力，且無法同時兼顧 GSC 與 GA4 的數據回饋循環。
*   **工程問題：** 部署爬蟲專用渲染路徑、規模化 schema markup 與 `llms.txt` 設定需要極高工程頻寬。中型 SaaS 公司的工程 backlog 通常排到六到九個月後，GEO 基礎架構在產品路線圖面前根本排不上。
*   **專業知識問題：** 傳統 SEO 邏輯（如塞關鍵字、建反向連結）在 RAG 優化中並不奏效，無法產出引用。

**Ralf van Veen 對 RAG 和內容排名的研究指出，依賴傳統 SEO 代理商來提升 AI 引用通常會以失敗告終。** 這是因為多數團隊不理解 LLM 在檢索層面如何選擇來源，且傳統 SEO 與 AI 引擎優化的目標完全不同。即使擁有充足的頻寬與工程資源，缺乏對檢索層邏輯的理解仍會導致無法產出有效的引用結果。

## 交給專家：全方位 GEO 執行長什麼樣

Mersel AI 內容引擎從實際買家對話的 prompt mapping 開始，將可直接發布的文章持續交付到 WordPress 或 Webflow 等 CMS。這些內容專為 RAG 引用設計，包含直接回答區塊、明確實體定義、比較文、使用場景拆解及替代方案彙整，精準對應買家在評估解決方案時的漏斗底部 prompt。

基礎架構層確保 GPTBot、PerplexityBot 和 ClaudeBot 抓取網站乾淨、結構化且可被引用的版本。此優化過程對前台訪客無感，且不需要額外的工程資源、重新設計或任何前端更動。

回饋循環串接現有的 GSC、GA4 和 AI 來源流量數據，確保文章根據實際獲得的引用進行更新，而非基於「應該有效」的假設。一家 Series A 金融科技新創透過此流程，在 92 天內顯著提升了 AI 能見度與非品牌引用次數。

| 績效指標 | 執行前 | 執行後 (92 天) | 成長幅度 |
| :--- | :--- | :--- | :--- |
| AI 能見度 | 2.4% | 12.9% | +437.5% |
| 非品牌引用 | - | - | +152% |
| Demo 請求影響力 | - | 20% 受 AI 搜尋影響 | - |

Mersel AI 採用客製化方案搭配業務主導流程，並非自助式儀表板。若企業主要需求是即時 prompt 監控與自行操作介面，Profound 或 AthenaHQ 等自助平台在診斷層面更為適合，儘管這些平台在報告另一邊的執行落差仍然存在。

想看完整的 [GEO 軟體市場概覽](/zh-TW/blog/generative-engine-optimization-software)，包括監控工具在哪裡結束、執行服務從哪裡開始，該文章詳細涵蓋了每個主要平台。

## RAG 與生成式引擎優化 (GEO) 常見問題

**用最簡單的話說，RAG 是什麼？**

**RAG 是一種讓大型語言模型在生成答案之前，先存取外部知識庫的 AI 框架。** 模型不單純依靠訓練時學到的資訊，而是透過即時檢索相關文件來為回覆提供事實根據。對於使用者而言，這確保了 AI 產出的答案更準確、更具即時性，並且包含可引用的來源，有效消除資訊捏造問題。

**RAG 怎麼影響我的品牌在 ChatGPT 和 Perplexity 中的能見度？**

**RAG 系統透過檢索與使用者查詢語意最接近的文件，並將其注入模型的推理過程來決定品牌的引用能見度。** 如果品牌內容缺乏針對語意檢索的結構化設計（如清晰的實體定義、開頭的回答區塊、機器可讀的 schema markup），內容將無法被系統檢索。根據 IBM 的 RAG 文件，檢索階段純粹基於語意，關鍵字密度對於內容是否被選中沒有任何影響。

**RAG 跟傳統 SEO 有什麼不同？**

**傳統 SEO 優先考慮 Google 的反向連結與關鍵字訊號，而 RAG 優化（GEO）則專注於 AI 答案引擎檢索階段的語意清晰度與實體關係。** 兩者在技術邏輯與輸出結果上有明確區別：

| 特性 | 傳統 SEO | RAG 優化 (GEO) |
| :--- | :--- | :--- |
| **優化目標** | Google 排名演算法 | AI 答案引擎檢索階段 |
| **優先考量** | 反向連結、關鍵字、頁面權威 | 語意清晰度、實體關係、結構化格式 |
| **輸出形式** | 排名網址列表 | 方便乾淨擷取的生成式回答 |

LLM Clicks 對 SaaS GEO 的研究指出，這兩個學科互補但不能互換。BrightEdge 發現 Perplexity 引用與 Google 前 10 名僅有約 60% 的重疊，這代表傳統 SEO 權威雖有幫助，但不能保證獲得 AI 引用。

**`llms.txt` 真的能提升 RAG 引用率嗎？**

**`llms.txt` 透過降低 AI 爬蟲解析網站時的摩擦，顯著提高正確內容被檢索與準確歸屬的機率。** 雖然它不是直接的排名訊號，但 Kime AI 的研究指出 `llms.txt` 是自主 AI 代理的治理協定。它明確告知爬蟲頁面清單、內容涵蓋範圍及歸屬方式，為 AI 模型提供更乾淨的擷取路徑並減少解析錯誤。

**RAG 優化要多久才看得到效果？**

**在實施結構化內容與技術基礎架構後，初步的能見度提升通常在 2 到 8 週內出現。** 根據 Mersel AI 跨金融科技、SaaS 和電商的客戶數據，實質的業務管道影響（如來自 AI 推薦的合格潛在客戶）通常需要 60 到 90 天。系統具有複利效應，第三個月的成果明顯優於第一個月，因為回饋循環已累積足夠的引用訊號。若不持續維護回饋循環，早期成果通常會在模型更新時趨於平緩。

## 資料來源

1. **Google Cloud**: What Is Retrieval Augmented Generation?
2. **Databricks**: What Is Retrieval Augmented Generation?
3. **Pinecone**: Retrieval Augmented Generation
4. **NVIDIA**: What Is Retrieval Augmented Generation?
5. **IBM**: Retrieval Augmented Generation
6. **AWS**: What Is Retrieval Augmented Generation?
7. **LLM Clicks**: Generative Engine Optimization for SaaS
8. **GitBook**: GEO Guide for LLM Optimization
9. **Storyblok**: RAG with GEO Explained
10. **Horizon Marketing**: GEO Playbook for the AI-First Era
11. **Kime AI**: Is llms.txt Actually Important?
12. **Andrew Coyle**: GEO and the llms.txt File
13. **Ralf van Veen**: The Role of RAG in GEO and Content Ranking
14. **Strapi**: Generative Engine Optimization Guide

## 延伸閱讀

- 什麼是 AI-Ready Answer Objects？
- AI 怎麼決定推薦哪些品牌
- 怎麼為 AI 搜尋引擎優化內容

**想知道你的品牌在 ChatGPT、Perplexity、Gemini 中哪裡被檢索到（哪裡沒有）？** [免費取得 AI 內容評估](/zh-TW/contact)，我們會把你目前的引用覆蓋率跟你的買家實際在用的 prompt 做對照。

## 延伸閱讀：GEO 與 AEO 策略指南

### 你的網站內容不是為 AI 而寫 — 這件事為什麼很重要
**AI 引擎引用結構化、直答式內容的頻率是傳統長文的 3 倍。** 根據數據顯示，多數網站的 AI 可引用性得分低於 40 分。了解如何優化內容結構，是提升品牌在 AI 答案中能見度的關鍵第一步。 [閱讀全文 (GEO · 5月7日)](/zh-TW/blog/website-content-not-written-for-ai)

### AEO vs. SEO vs. GEO：2026 年你的團隊該押哪一個？
**SEO、AEO 與 GEO 是三個截然不同的學科，企業必須依據市場數據與預算邏輯決定資源配置。** 隨著搜尋行為轉向 AI 引擎，搞懂這三者的差異將決定品牌在 2026 年的競爭力。 [閱讀全文 (GEO · 3月18日)](/zh-TW/blog/what-is-an-answer-engine)

### 什麼是 Answer Engine Optimization（AEO）？高管必讀指南
**AEO 讓你的品牌成為 ChatGPT、Perplexity 與 Gemini 引用的答案。** 行銷主管必須掌握 5 個核心評估標準，以確保品牌在生成式 AI 環境中獲得高權重引用。 [閱讀全文 (GEO · 3月18日)](/zh-TW/blog/what-is-answer-engine-optimization)

### 本頁面核心章節導覽
*   重點摘要
*   RAG 工程師用的精確定義
*   為什麼大部分技術 SEO 人員誤解了 RAG
*   RAG 到底怎麼運作：四階段流水線
*   為什麼 RAG 能見度是複利曲線
*   六步實施框架
*   自己做為什麼做不完
*   交給專家：全方位 GEO 執行長什麼樣
*   常見問題
*   資料來源
*   延伸閱讀

### 關於 Mersel AI, Inc. 莫斯勒科技
**Mersel AI, Inc. 莫斯勒科技專注於幫助 B2B 企業從 AI 搜尋與 Google 獲得主動詢單。** 我們獲得全球頂尖技術生態系的支持，包含 ![NVIDIA Inception [Cloudflare for Startups](/logos/cloudflare-startups-white.webp)](https://www.cloudflare.com/forstartups/) 與 [![Google Cloud for Startups](/logos/CloudforStartups-3.webp)](https://cloud.google.com/startup)。

#### 學習資源 (Learn)
*   [什麼是 GEO？]( /zh-TW/generative-engine-optimization)

#### 公司資訊
*   [關於我們](/zh-TW/about)
*   [專欄](/zh-TW/blog)
*   方案
*   常見問題
*   [聯絡我們](/zh-TW/contact)
*   登入

#### 法律聲明與政策
*   [隱私權政策](/zh-TW/privacy)
*   [服務條款](/zh-TW/terms)

#### 快速聯絡連結
[什麼是 GEO？](/zh-TW/generative-engine-optimization) · [關於我們](/zh-TW/about) · [專欄](/zh-TW/blog) · [聯絡我們](/zh-TW/contact) · [隱私權政策](/zh-TW/privacy) · [服務條款](/zh-TW/terms)

本網站使用 Cookie 來改善您的瀏覽體驗並分析網站流量。詳情請參閱 [隱私權政策](/zh-TW/privacy)。

```json
{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    {
      "@type": "ListItem",
      "position": 1,
      "name": "Home",
      "item": "https://mersel.ai/"
    },
    {
      "@type": "ListItem",
      "position": 2,
      "name": "Zh Tw",
      "item": "https://mersel.ai/zh-TW/zh-TW"
    },
    {
      "@type": "ListItem",
      "position": 3,
      "name": "Blog",
      "item": "https://mersel.ai/zh-TW/blog/blog"
    },
    {
      "@type": "ListItem",
      "position": 4,
      "name": "What Is Retrieval Augmented Generation",
      "item": "https://mersel.ai/zh-TW/blog/what-is-retrieval-augmented-generation/what-is-retrieval-augmented-generation"
    }
  ]
}
```

```json
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "RAG \u662f\u4ec0\u9ebc\uff1f\u8b93\u4f60\u807d\u5f97\u61c2\u7684\u5b8c\u6574\u89e3\u8aaa | Mersel AI",
  "url": "https://mersel.ai/zh-TW/blog/what-is-retrieval-augmented-generation",
  "publisher": {
    "@type": "Organization",
    "name": "Mersel AI"
  }
}
```